TRABAJO'FINAL'DE'GRADO'

Grado'de'Economía'

Título:'Tasación'de'viviendas'en'Barcelona'

Autoría:'Ricardo(Balaguer(Baños'

Tutoría:'Esther(Vaya(Valcarce(

Departamento:'Departamento(de(econometría(y(estadística.'

Curso'académico: 2018?2019

:

Resumen'

Este(trabajo(tiene(como(objetivo(la(observación(y(la(predicción(del(precio(de(la(vivienda(

en( venta( ya( sean( viviendas( nuevas( o( usadas( en( la( ciudad( de(Barcelona.( Para( la(

observación( se(usan( técnicas(de(econometría(espacial( con(el( fin( de( representar( la(

autocorrelación( espacial( del( precio( de( las( viviendas( entre( barrios( de( Barcelona(

mediante(mapas,(para( la(predicción(se(utiliza(el(método(de( los(mínimos(cuadrados(

ordinarios(para(obtener(la(valoración(de(una(vivienda(en(la(ciudad(de(Barcelona.(

Palabras'clave'

(

(

(

Abstract'

To(start(with,( the( study(attempts( to(promote(a( service( company( to(make(profit(on(housing(

through(the(reformations,(during(the(initial(analysis(and(the(possibility(of(using(a(tool(that(helps(

to(find(out(the(fastest(price(of(housing.(

This(work(has(the(objective(of(observing(and(predicting(the(price(of(the(houses(in(sale(in(the(

city(of(Barcelona.(For(the(observation,(spatial(econometrics(techniques(are(used(to(represent(

the(spatial(autocorrelation(of(housing(prices(between(districts(of(Barcelona(using(maps(and(for(

prediction,(the(ordinary(least(squares(method(is(used(to(obtain(the(valuation(of(a(house(in(the(

city.(

For(the(prediction,(the(physical(characteristics(of(the(typology(of(the(dwelling(combined(with(a(

geolocated(variable(are(used,(which(is(explained(by(the(fact(that(in(housing(areas(the(dwelling(

is(located(in(the(same(city.(Determining(the(price(thanks(to(its(location.(

The(observations(and(precisions(of( this(work(are( limited( in( time,(and(you(only(present( real(

information(for(a(few(months(after(the(variation(in(market(prices.(

The(results(of(the(observation(of(the(differentiated(parts(of(the(price(difference,(a(relation(of(

high(values(and(another(of(low(values.(

In(the(predictive(part,(we(obtain(a(model(that(can(be(predicted(by(a(subsequent(correction.(

Key'words'

Tasación,(Autocorrelación(espacial,(Viviendas,(Barcelona,(Precio(metro(cuadrado(

Appraisal,(Spatial(autocorrelation,(Living(place,(Barcelona,(Square(meter(price(

((

ÍNDICE'1( MOTIVACIONES........................................................................................................................'1(2( BASE'DE'DATOS'......................................................................................................................'3(2.1( BASE(DE(DATOS(PARA(EXPLORACIÓN(ESPACIAL(........................................................................(3(

2.2( BASE(DE(DATOS(MODELIZACIÓN(.............................................................................................(5(

2.2.1( Preparación-de-la-muestra-.............................................................................................-7(

3( ANÁLISIS'EXPLORATORIO'ESPACIAL'...................................................................................'9(3.1( MATRIZ(REINA(DE(ORDEN(1º(.................................................................................................(11(

3.2( MATRIZ(DISTANCIA..............................................................................................................(13(

3.3( CONCLUSIÓN(DE(LA(EXPLORACIÓN(ESPACIAL(.........................................................................(15(

4( MODELIZACIÓN'MEDIANTE'REGRESIÓN'LINEAL'MÚLTIPLE'.............................................'16(4.1( MODELIZACIÓN(..................................................................................................................(16(

4.2( DESCRIPCIÓN(DE(LAS(VARIABLES(.........................................................................................(16(

4.2.1( pricebyarea-..................................................................................................................-16(4.2.2( status-...........................................................................................................................-19(4.2.3( propertyType-...............................................................................................................-20(4.2.4( exterior-........................................................................................................................-21(4.2.5( rooms-..........................................................................................................................-22(4.2.6( bathrooms-...................................................................................................................-23(4.2.7( planta-..........................................................................................................................-24(4.2.8( size-..............................................................................................................................-25(4.2.9( haslift-...........................................................................................................................-26(4.2.10( neightborhood..........................................................................................................-27(4.2.11( district-......................................................................................................................-27(

4.3( CONTRASTES(DE(MEDIAS.....................................................................................................(28(

4.3.1( Variable-planta-.............................................................................................................-28(4.3.2( Variable-propertyType-..................................................................................................-28(4.3.3( Variable-district-............................................................................................................-29(4.3.4( Variable-status-.............................................................................................................-29(4.3.5( Variable-hasLift-............................................................................................................-30(

4.4( MODELO(...........................................................................................................................(31(

4.4.1( Modelo-1-averagedistrict-..............................................................................................-31(4.4.2( Modelo-2-district-...........................................................................................................-32(4.4.3( Modelo-3-neighborhood-...............................................................................................-32(4.4.4( Comparación-de-modelos-............................................................................................-34(

5( PREDICCIÓN...........................................................................................................................'35(5.1( EVALUACIÓN(DEL(MODELO(1(................................................................................................(35(

5.2( SIMULACIÓN(......................................................................................................................(35(

6( CONCLUSIONES'....................................................................................................................'37(7( BIBLIOGRAFÍA'.......................................................................................................................'38(8( ANEXOS'..................................................................................................................................'39(8.1( ANEXO(1(...........................................................................................................................(39(

8.2( ANEXO(2(...........................................................................................................................(39(

1

1' MOTIVACIONES'

En( el( contexto( de( una( empresa( dedicada( a( reformas( dentro( del( sector( de( la(

construcción,( surge( la( posibilidad( de( compensar( el( descenso( en( las( ventas(

convirtiéndose(ésta(en(su(propio(proveedor.(

Considerando(que(el(valor(de(la(vivienda(se(encuentra(estable(o(al(alza(el(hecho(de(

invertir( en( una( vivienda( con( necesidad( de( reforma( podría( compensar( el( déficit( de(

clientes(y(posibilitar(rentabilizar(la(inversión(vendiéndola(una(vez(reformada.(

Para(analizar(la(viabilidad(de(la(inversión(y(valorar(si(esta(proporciona(las(ganancias(

adecuadas(o(asegurar( que(no( supone( una( inversión( fallida( seria( necesario( buscar(

viviendas( cuyo(valor( de( venta(proporcionase(un(beneficio(neto(a(partir( de(un(10%,(

compensando(así(el(coste(de(oportunidad(de(invertir(ese(dinero(en(otro(lugar.(Además(

de(ese(mínimo(del(10%(se(obtendría(otro(porcentaje(como(proveedor(de(la(reforma.(

Con(el(fin(de(localizar(las(viviendas(adecuadas(en(las(que(pudiera(obtenerse(con(un(

mínimo(del(10%(de(plusvalía,(se(barajó( la(alternativa(de(valorar(el(precio(por(metro(

cuadrado(de(las(viviendas(en(los(distintos(barrios(de(Barcelona.(

El( planteamiento( básico( era( que( estuviese( por( debajo( de( ese( valor,( pero( dado( el(

escaso(conocimiento(disponible(sobre(el(mercado(inmobiliario,( la(siguiente(cuestión(

recae(en( que( cada(vivienda( tiene(unas( características( distintas( y(esto( supone(que(

deben(considerarse(múltiples(variables(ya(que(el(valor(no(depende(únicamente(de(la(

superficie.(

Por( tanto,( era( necesario( hacer( una( comparación( masiva( entre( viviendas( con(

características( similares( teniendo( en( cuenta( su( ubicación,( se( trata( de( un( proyecto(

ambicioso(y(de(gran(volumen(por(la(gran(variación(en(los(tipos(de(vivienda(por(lo(que(

el( método( seleccionado( para( realizar( la( comparación( ha( sido( la( regresión( lineal(

múltiple.(

Este(método(aporta(la(posibilidad(de(averiguar(mediante(una(comparación(masiva(el(

valor(de(una(vivienda,(y(una(vez(conseguido(ya(sería(sólo(encontrar(una(vivienda(a(

reformar,( compararle(el( precio(obtenido(en( la( regresión( lineal(múltiple( y( verificar( si(

cumple(el(requisito(de(que(una(vez(reformada(se(pudiera(conseguir(la(obtención(del(

mínimo(del(10%(de(plusvalía,(por(tanto(adecuada(para(poder(hacer(la(inversión.(

( (

2

Ejemplo(de(vivienda(viable:(

Valor(de(compra=150000€(

Coste(de(la(reforma=50000€(

Precio(de(venta=((150000+50000)+0,2(150000+50000)=220000(

Beneficio=20000+Beneficio(de(la(reforma(

(

Una(vez(realizada(la(hipótesis(podemos(intuir(que(esta(herramienta(podría(utilizarse(

para(averiguar(de(forma(sencilla(el(valor(de(la(vivienda(al(alcance(de(compradores(a(

los( que( les( podría( facilitar( la( toma( de( decisiones( y( al( mismo( tiempo( evitar(

especulaciones(ya(que(el(valor(real(estaría(al(alcance(del(comprador(directo.(

(

Con(esta(premisa(se(modifica(el(enfoque(del(estudio(y(se(plantea(desde(esta(última(

alternativa.(

(

(

( (

3

2' BASE'DE'DATOS'

Se(han(obtenido(y(tratado(dos(bases(de(datos.(

2.1' Base'de'datos'para'exploración'espacial'

Se(ha(descargado(de(la(página(web(del(Ajuntament(de(Barcelona(una(base(de(datos(

que(contiene(los(puntos(cardinales(de(cada(barrio(de(la(ciudad(y(se(ha(añadido(

manualmente(una(columna(que(contiene(la(media(del(precio(por(metro(cuadro(en(las(

viviendas(de(cada(barrio.(Este(dato(ha(sido(obtenido(por(consulta(barrio(a(barrio(en(la(

página(de(web(de(Idealista.com.(Para(el(tratamiento(de(esta(base(de(datos(se(ha(

utilizado(el(programa(OpenOffice.(

(

(

4

(Captura(de(la(base(de(datos(para(la(exploración(espacial.(

(

(

5

2.2' Base'de'datos'modelización'

Se(establece( contacto( con( la(empresa( Idealista(S.A.U.( con(CIF(A?82505660(para( solicitar(

acceso(a(su(base(de(datos(de(viviendas(en(venta(a(través(de(una(interfaz(de(programación(

de(aplicaciones.(

La(solicitud(se(realiza(mediante(correo(electrónico(utilizando(unas(claves(que(proporciona(la(

empresa(que(establecen(unos( limites(mensuales(de(100(peticiones( con(50( viviendas(para(

cada(petición.(

El(perímetro(se(establece(desde(un(punto(aproximado(al(centro(de(la(ciudad(de(Barcelona(

que( coincide( con( las( coordenadas( 41°23'56.8"N( 2°10'11.8"E( correspondiente( a( Avenida(

Diagonal(en(cruce(con(Paseo(de(San(Juan(y(se(ha(establecido(un(radio(de(4,57km(dentro(del(

cual(se(han(hecho(las(peticiones(sobre(dichas(viviendas.(

(

Fotografía(de(Google(Maps(

( (

6

Para(realizar(cada(petición(se(ha(usado(el(programa(Insomnia.(

Cada(petición(se(guarda(en(un(archivo(JSON((JavaScript(Object(Notation).(

Se(han(unido(todas(las(peticiones(para(obtener(un(solo(archivo(JSON(mediante(un(

programa(propio(creado(con(el(programa(Visual(Studio(Code,(un(total(de(178(

archivos(se(han(unido(a(un(solo(archivo.((Anexo(1)(

Para(obtener(una(base(de(datos(que(se(pueda(tratar(en(Microsoft(Excel(se(ha(

realizado(un(programa(propio(con(el(programa(Visual(Studio(Code(para(la(conversión(

del(archivo(JSON(a(CSV((valores(separados(por(comas).((Anexo(2).(

Captura(ejemplo(de(petición(a(Idealista.com(mediante(programa(Insomnia (

Ya(obtenida(la(base(de(datos(en(CSV(se(abre(con(Microsoft(Excel(y(se(prepara(para(

la(modelización.(

La( muestra( incluye( 8.052( observaciones( de( un( total( de( casi( 16.979( viviendas(

existentes(a(la(venta,(esta(muestra(incluye(viviendas(tanto(nuevas(como(de(segunda(

mano(en(una(línea(temporal(entre(los(meses(de(abril(y(mayo(de(2019.(

7

2.2.1-Preparación-de-la-muestra-

1.( Eliminación(de(las(variables(que(no(se(usarán(y(se(añaden(otras(para(realizar(

agrupaciones(de(datos.(

2.( Incorporación(de(la(variable(“numberdistrict”,(esta(variable(es(meramente(

indicativa,(numera(los(barrios,(la(información(se(obtiene(de(la(numeración(que(

usa(el(Ayuntamiento(de(Barcelona(en(sus(estadísticas.(Posteriormente(se(

añade(la(variable(“planta”,(esta(variable(agrupa(las(viviendas(en(altas,(bajas,(

o(primera(planta.(

3.( Eliminación(de(las(viviendas(duplicadas.(

4.( Inclusión(de(la(variable(“averagedistrict”,(esta(variable(contiene(la(media(del(

precio(por(metro(cuadrado(del(barrio(al(que(pertenecen.(Los(datos(de(esta(

variable(se(obtienen(previa(consulta(individual(de(cada(uno(de(los(barrios(de(

la(ciudad(de(Barcelona(en(la(web(Idealista.com.(

(

8

!Captura de la base de datos del modelo ordenada por la variable “planta”.

9

3" ANÁLISIS"EXPLORATORIO"ESPACIAL"

Se#ha# realizado#un#análisis#exploratorio#espacial#para#observar# la#aleatoriedad#o# la#

dependencia#espacial#entre#los#barrios#de#Barcelona#en#función#del#precio#medio#por#

metro#cuadrado#de#viviendas#en#venta.#

Dado#que# las# viviendas# son#puntos#georreferenciados,# la# variable#media#del#precio#

cuadrado# de# viviendas# en# ventas# del# mismo# barrio,# capta# el# efecto# del# precio# de#

viviendas#cercanas,#además#de#otras#variables#que#se#encuentran#dentro#del#mismo#

barrio,#como#por#ejemplo#estar#mas#cerca#del#mar#o#encontrarse#dentro#de#un#barrio#

con#mayor#dotación#de#infraestructuras#de#servicios#públicos#o#mejor#comunicación.#

Para# este# estudio# se# ha# utilizado# el# programa#Geoda# y# la# base# de# datos# para# la#

exploración#espacial.#

Análisis#de#la#dispersión#y#la#simetría.#

Se#utiliza#un#diagrama#de#Caja#y#Bigote#(Box#–#Plot)#para#describir#las#características#

de# la# variable#que# incluye# la#media#del# precio#por#metro# cuadrado#de# viviendas#en#

venta#en#la#ciudad#de#Barcelona#por#barrios.#

# #

10

Se#elabora#un#mapa#para#observar#la#distribución#del#precio#medio#por#metro#cuadrado#

de#viviendas#en#venta#en#los#barrios#de#Barcelona.#

#

#

#

#

Mapa#de#barrios#de#Barcelona.#

"

11

3.1" Matriz"reina"de"orden"1º"

Se#crea#una#matriz#de#interacciones#espaciales#tomando#como#criterio#la#continuidad#

tipo# “Reina”#de#orden# 1º#para#analizar# Indicadores#Locales#de#Asociación#Espacial#

(LISA).#

Se#realiza#un#diagrama#de#dispersión#de#Moran#(Moran#Scatterplot)#y#se#observa#una#

dependencia#espacial#positiva#que#indica#la#ausencia#de#aleatoriedad#en#la#localización#

de#barrios#con#precio#medio#de#valores#altos#del#metro#cuadrado#de#vivienda#en#venta#

y#la#localización#de#barrios#con#precio#medio#de#valores#bajos.#

#

#

Moran Scatterplot con matriz de pesos espaciales de continuidad “Reina” de orden 1º #

#

#

#

#

#

#

#

#

#

#

12

Se#realiza#un#LISA#Cluster#Map#con#la#matriz#de#pesos#espaciales#“Reina”#de#orden#

1º,#para#observar#la#existencia#de#un#clúster#de#color#azul#oscuro#formado#por#barrios#

con#precio#medio#bajo#y#otro#clúster#de#color#rojo#formado#por#barrios#con#precio#medio#

alto.#

#

#

#

Mapa#de#barrios#de#Barcelona#

"

13

3.2" Matriz"distancia"

Se#crea#una#matriz#de#interacciones#espaciales#tomando#como#criterio#la#continuidad#

tipo# “distancia# de# 3885.66130”# para# analizar# Indicadores# Locales# de# Asociación#

Espacial#(LISA).#

Se#realiza#un#diagrama#de#dispersión#de#Moran#(Moran#Scatterplot)#y#se#observa#una#

dependencia#espacial#positiva#que#indica#la#ausencia#de#aleatoriedad#en#la#localización#

de#barrios#con#precio#medio#de#valores#altos#del#metro#cuadrado#de#vivienda#en#venta#

y#la#localización#de#barrios#con#precio#medio#de#valores#bajos.#

#

Moran Scatterplot con matriz de pesos espaciales de continuidad “distancia 3885.66”

#

#

#

#

#

#

#

#

#

14

Se#realiza#un#LISA#Cluster#Map#con#la#matriz#de#pesos#espaciales#“distancia#3885.66”,#

para#observar#la#existencia#de#un#clúster#de#color#azul#oscuro#formado#por#barrios#con#

precio#medio#bajo#y#otro#clúster#de#color# rojo# formado#por#barrios#con#precio#medio#

alto.#

#

#

Mapa#de#barrios#de#Barcelona#

#

#

"

15

3.3" Conclusión"de"la"exploración"espacial"

•# Existencia#de#autocorrelación#espacial#positiva,#mayoritariamente#barrios#con#valores#medios#altos#están#rodeados#de#valores#similares#e#igual#sucede#con#

barrios#de#valores#bajos.#

•# El#precio#medio#del#metro#cuadrado#de#viviendas#en#venta#en#un#barrio#influye#en#los#barrios#vecinos#

•# Se#observan#los#barrios#en#rojo#como#forman#un#clúster#de#valores#altos#y#los#barrios#en#azul#oscuro#se#muestra#un#clúster#de#valores#bajos.#

•# Los# barrios#en#azul# claro# son# barrios#que# reflejan# valores# significativamente#menores#a#sus#barrios#vecinos,#son#outliers#espaciales.# #

16

4" MODELIZACIÓN"MEDIANTE"REGRESIÓN"LINEAL"MÚLTIPLE"

4.1" Modelización"

Mediante#la#base#de#datos#obtenidas#se#estima#un#modelo#de#regresión#lineal#

múltiple#utilizando#el#método#de#mínimos#cuadrados#ordinarios.#

La#variable#endógena#del#modelo#es#“priceByArea”,#es#el#precio#del#metro#cuadrado#

de#una#vivienda.#

Precio#m2

=#f#(precio#medio#del#m2

#en#su#barrio,#estado#de#la#vivienda,#tipo#de#

vivienda,#orientación,#número#de#habitaciones,#número#de#lavabos,#altura#de#planta,#

tamaño,#ascensor)#

4.2" Descripción"de"las"variables"

4.2.1-Pricebyarea-

Es#la#variable#endógena#y#contiene#el#precio#del#metro#cuadrado#de#la#vivienda.#

Si# multiplicamos# esta# variable# por# los# metros# cuadrados# que# mide# una# vivienda#

obtendremos#el#valor#de#la#vivienda.#

#

#

# #

17

#

#

Estadísticos principales, usando las observaciones 1 - 8051 para la variable priceByArea (8051 observaciones válidas)

Media Mediana Mínimo Máximo 4981,61 4600,00 706,000 21873,0

Desv. Típica.

C.V. Asimetría Exc. de curtosis

1949,58 0,391356 2,11129 8,29349

Porc. 5% Porc. 95% Rango IQ 2779,00 8472,60 1979,00

#

#

4.2.2-averagedistrict-

Esta#variable#es#el#precio#medio#del#metro#cuadrado#de#una#vivienda#en#el#barrio#en#

el#que#se#encuentra.#

La#variable#averagedistrict#recoge#multitud#de#variables#difícilmente#medibles#que#no#

se#recogen#individualmente#en#este#modelo#pero#que#sí#tienen#un#peso#específico#e#

importante#para#determinar#el#valor#de#una#vivienda.##

Ejemplo#de#variables#recogidas#dentro#de#la#variable#averagedistrict:#

•# Dotación#de#infraestructuras#sanitarias.#

•# Dotación#de#infraestructuras#educativas.#

•# Comunicación#de#la#zona.#

•# Valor#de#las#viviendas#cercanas.#

•# Renta#media#de#los#habitantes#de#la#zona.#

•# Presencia#de#zonas#comerciales.#

•# Dotación#de#parques#públicos#o#centros#deportivos.#

•# Nivel#de#criminalidad#en#la#zona.#

•# Cercanía#al#mar.#

18

#

#

Estadísticos principales, usando las observaciones 1 - 8051 para la variable averagedistrict (8051 observaciones válidas)

Media Mediana Mínimo Máximo

4998,12 5008,88 2459,00 9250,41

Desv. Típica.

C.V. Asimetría Exc. de curtosis

1207,57 0,241605 0,764446 1,18714

Porc. 5% Porc. 95% Rango IQ 3286,00 7161,69 1709,79

"

19

4.2.3-status-Esta#variable#recoge#el#estado#de#la#vivienda.#

Se#han#creado#tres#variables#ficticias#para#incluir#esta#variable#en#el#modelo.#

estadoBueno,#estadoMalo,#estadoNuevo#

#

Distribución"de"frecuencias"para"status,"observaciones"1O8051""

frecuencia""""rel.""""acum."#

1#Bueno######## ###6158#####76,49%###76,49%#***************************#

2#Malo################1627#####20,21%###96,70%#*******#

3#Nuevo###############266#######3,30%##100,00%#*#

#

"

20

4.2.4-propertyType-Esta#variable#recoge#el#tipo#de#vivienda.#

Se#han#creado#cinco#variables#ficticias#para#incluir#esta#variable#en#el#modelo.#

Las#variables#ficticias#son:#

typeChalet,#typeDuplex,#typeAtico,#typeEstudio,#typePiso.#

#

#

#

Distribución"de"frecuencias"para"propertyType,"observaciones"1O8051"

"

""""""""""""""frecuencia"""""rel."""""""acum."

#

1#Chalet#######246########3,06%#####3,06%#*#

2#Dúplex#######288#######3,58%#####6,63%#*#

3#Piso#########6837#####84,92%####91,55%#******************************#

4#Ático##########593#######7,37%####98,92%#**#

5#Estudio########87#######1,08%###100,00%##

#

"

21

4.2.5-exterior-Esta#variable#recoge#si#la#vivienda#es#exterior#o#interior.#

Se#ha#creado#una#variable#ficticia#para#este#modelo.#

La#variable#ficticia#es#cara_interior#o#cara_exterior.#

#

Distribución de frecuencias para exterior, observaciones 1-8051 frecuencia rel. acum. 1 Interior 1884 23,40% 23,40% ******** 2 Exterior 6167 76,60% 100,00% ***************************

#

"

22

4.2.6-rooms-Esta#variable#recoge#el#número#de#habitaciones#de#una#vivienda.#

#

"

Distribución"de"frecuencias"para"rooms,"observaciones"1O8051"

"

""""""frecuencia""""rel.""""""""acum."

#

0##########101#######1,25%########1,25%#

1##########629#######7,81%########9,07%#**#

2########2013#####25,00%######34,07%#*********#

3########2984#####37,06%######71,13%#*************#

4########1550#####19,25%######90,39%#******#

5##########554#######6,88%######97,27%#**#

6##########141#######1,75%######99,02%#

#

"

23

4.2.7-bathrooms-Esta#variable#recoge#el#número#de#baños#de#una#vivienda.#

#

"

"

Distribución"de"frecuencias"para"bathrooms,"observaciones"1O8051"

"

"""""""frecuencia""""rel."""""""""acum."

#

0###########3##########0,04%########0,04%#

1########3375#####41,92%######41,96%#***************#

2########3389#####42,09%######84,05%#***************#

3#########905######11,24%######95,29%#****#

4#########256########3,18%######98,47%#*#

5##########75#########0,93%######99,40%#

"

24

4.2.8-planta-Esta#variable#recoge#la#altura#de#la#vivienda.#

Se#han#creado#cuatro#variables#ficticias#para#incluir#la#variable#en#el#modelo.#

altAlto,#altBajo,#altMedio,#altPrimero#

Siendo#Alto#a#partir#de#una#4ºplanta,#Medio# incluye#2º#y#3er

#piso,#Primero#incluye#1ª#

planta#y#Bajo#las#viviendas#situadas#en#un#sótano,#entresuelo,#bajo,#o#chalets#a#pie#de#

calle.##

#

Distribución de frecuencias para planta, observaciones 1-8051 frecuencia rel. acum. alto 2677 33,25% 33,25% *********** bajo 1123 13,95% 47,20% ***** medio 2464 30,60% 77,80% *********** primero 1787 22,20% 100,00% *******

"

"

25

4.2.9-size--La#variable#size#recoge#el#número#de#metros#cuadrados#de#las#viviendas.#

#

Distribución"de"frecuencias"para"size,"observaciones"1O8051"

número"de"cajas"="29,"media"="116,214,"desv.típ.=80,295"

"

""""""""intervalo"""""punto"medio"""frecuencia""rel"""""acum."

#

###########<#76,643########38,321######2440#####30,31%###30,31%#**********#

####76,643#h#153,29####114,96######4093#####50,84%###81,15%#******************#

####153,29#h#229,93####191,61######1035#####12,86%###94,00%#****#

####229,93#h#306,57####268,25#######291########3,61%###97,62%#*#

####306,57#h#383,21####344,89########89#########1,11%###98,72%##

#

#

#

Estadísticos"principales,"usando"las"observaciones"1"O"8051"para"la"variable"size"(8051"observaciones"válidas)"

"Media" Mediana" Mínimo" Máximo"116,214# 95,0000# 16,0000# 2162,00#

#

Desv."Típica."

C.V." Asimetría" Exc."de"curtosis"

80,2950# 0,690923# 5,52151# 75,8377#

#

Porc."5%" Porc."95%" Rango"IQ" #

50,0000# 247,000# 63,0000# #

"

26

4.2.10- haslift-Esta#variable#recoge#si#la#vivienda#tiene#ascensor#o#no.#

Para#incorporar#esta#variable#en#el#modelo,#se#ha#creado#una#variable#ficticia.#

ascensorNO,#ascensorSi#

#

"

Distribución"de"frecuencias"para"hasLift,"observaciones"1O8051"

"

"""""""""""frecuencia""""rel."""""""acum."

#

1#no##########1834#####22,78%####22,78%#********#

2#sí###########6217#####77,22%##100,00%#***************************#

#

"

27

4.2.11- neightborhood--Esta#variable#recoge#el#barrio#al#que#pertenece#cada#vivienda.#

Se#ha#creado#una#variable#ficticia#para#cada#barrio.#

#

#

#

4.2.12- district-Esta#variable#recoge#el#distrito#al#que#pertenece#cada#vivienda.#

Se#ha#creado#una#variable#ficticia#para#cada#distrito.#

Distribución#de#frecuencias#para#district,#observaciones#1h8051#

#

##############frecuencia####rel.########acum.#

#

Eixample####2298#####28,54%###28,54%#**********#

Sarriàh########1126#####13,99%###42,53%#*****#

Ciutat#V######1316#####16,35%###58,87%#*****#

Les#Cort#######277#######3,44%###62,32%#*#

Sant#Mar######892#####11,08%###73,39%#***#

Horta#Gu######537#######6,67%###80,06%#**#

Gràcia##########600#######7,45%###87,52%#**#

SantshMo#####618#######7,68%###95,19%#**#

Sant#And######249#######3,09%###98,29%#*#

Nou#Barr######138#######1,71%##100,00%##

"

28

4.3" Contrastes"de"medias"

Analizamos#algunas#de#las#variables#para#analizar#sus#datos.#

4.3.1-Variable-planta-Se#realiza#el#contraste#de#medias#siendo#la#constante#el#valor#de#un#1

er

#piso.#

Se#observa#una#variación#media#de#807,32€#entre#viviendas#situadas#en#la#1a

#planta#

y#viviendas#a#partir#de#una#4ª#planta.#

#

#

#

4.3.2-Variable-propertyType-Se#realiza#el#contraste#de#medias#siendo#la#constante#el#valor#de#un#piso#que#no#sea#

ático,#chalet,#dúplex#o#un#estudio.#

Se#observa#una#variación#media#de#1103,63€#por#m2

#entre#viviendas#convencionales#

en#edificios#y#un#ático.#

#

29

4.3.3-Variable-district-Se#realiza#el#contraste#de#medias#siendo#la#constante#el#valor#del#Eixample.#

Se#observa#una#variación#media#de#298,51€#por#m2

#entre#viviendas#situadas#en#el#

distrito#del#Eixample#y#viviendas#situadas#en#Sarrià.#

#

#

#

4.3.4-Variable-status-Se#realiza#el#contraste#de#medias#siendo#la#constante#el#valor#de#Buen#estado.#

#

Se#observa#una#variación#media#de#446,42€#por#m2

#entre#viviendas#en#buen#estado#y#

viviendas#nuevas.#

#

# #

30

4.3.5-Variable-hasLift-Se#realiza#el#contraste#de#medias#siendo#la#constante#el#valor#si#la#vivienda#tiene#

ascensor.#

#

Se#observa#una#variación#media#de#1087,47€#por#m2

#entre#viviendas#con#ascensor#o#

sin#ascensor.#

#

"#

"

31

4.4" Modelo"

Realizado#el#contraste#de#White#y#observando#presencia#de#heterocedasticidad,#se#

estiman#tres#modelos#con#desviaciones#típicas#robustas.#

4.4.1-Modelo-1-averagedistrict-Se#estima#el#modelo#1#aproximando#la#influencia#del#entorno#con#la#variable#

averagedistrict.#

#

Las#variables#utilizadas#en#el#modelo#1#explican#el#49%#de#la#variabilidad#del#precio#

por#metro#cuadrado#en#la#ciudad#de#Barcelona.#

"

32

4.4.2-Modelo-2-district-Se#estima#modelo#2#utilizando#como#influencia#del#entorno#los#distritos#de#Barcelona.#

Las#variables#utilizadas#en#el#modelo#2#explican#el#31%#de#la#variabilidad#del#precio#

por#metro#cuadrado#en#la#ciudad#de#Barcelona.#

#

4.4.3-Modelo-3-neighborhood-Se#estima#el#modelo#3#utilizando#como#influencia#del#entorno#los#barrios#de#Barcelona.#

Las#variables#utilizadas#en#el#modelo#3#explican#el#49%#de#la#variabilidad#del#precio#

por#metro#cuadrado#en#la#ciudad#de#Barcelona.#

33

34

4.4.4-Comparación-de-modelos-Se#realiza#una#comparación#de#los#modelos#1,#2#y#3#para#tomar#una#decisión#del#

modelo#correcto.#

MODELO 1 MODELO 2 MODELO 3

R2 CORREGIDO 0,489071 0,309202 0,489857

AKAIKE 139435,9 141872,2 139479,2

SCHWARZ 139547,8 142040,1 139982,7

Se#observa#que#los#modelos#3#y#1#son#casi#iguales,#esto#responde#a#que#la#variable#

averagedistrict# recoge# la#misma# información# que# si# se# añade#una# ficticia# por# cada#

barrio.##

El# modelo# 2# queda# descartado# ya# que# su# estimación# no# es# tan# buena# como# los#

modelos#1#y#3.#

Finalmente#seleccionamos#el#modelo#1#como#el#mas#adecuado,#ya#que#aún#siendo#

similar#al#modelo#3,#ofrece#una#mayor#simplicidad.

35

5" PREDICCIÓN"

5.1" Evaluación"del"modelo"1"

Elegido#el#modelo#1,#se#retiran#500#viviendas#de#la#muestra#y#se#realiza#una#evaluación#

de#la#predicción.#

Se#observa#que#el#porcentaje#del#error#absoluto#medio#es#del#18,9%#y#un#coeficiente#

U#de#Theil#de#0,54#siendo#0#una#predicción#perfecta#y#1#una#nula#predicción.##

5.2" Simulación"

Dada# la# impresión# de# una# posible# diferencia# significativa# entre# el# precio# de# venta#

publicado#y#el#precio#real#de#venta#de#las#viviendas#una#vez#finalizada#la#transacción.#

Se#investiga#la#posible#variabilidad#y#se#observa#con#información#de#Idealista.com#una#

media#de#variabilidad#diferente#en#cada#localidad#teniendo#en#cuenta#una#evolución#

temporal.#

Captura de Idealista.com

36

Captura de Idealista.com

Se#observa#un#descuento#medio#de#19,6%#en#la#ciudad#de#Barcelona.#

Con#estos#datos#se#contrastan#cuatro#casos#reales#que#identificaré#por#el#nombre#real#

de#la#persona#dueña#de#la#vivienda,#en#los#cuatro#casos#se#aplican#los#datos#obtenidos#

en#el#modelo#1,#el#valor#medio#de#descuento#del#19,6%#y#se#determina#el#estado#de#la#

vivienda#en#función#del#tipo#de#reforma#que#han#realizado.#

" JOSÉ" ALEJANDRO" GERARD" PEPITA"

ESTADO" A#REFORMAR# REFORMA#

INTEGRAL#

A#REFORMAR# A#REFORMAR#

PRECIO"

COMPRA"

225.000# 200.000# 280.000# 220.000#

VALOR"

REFORMA"

38.000# 80.000# # 50.000#

VALOR"TOTAL" 263.000# 280.000# 280.000# 270.000#

ESTADO"DE"

PREDICCIÓN"

BUEN#ESTADO# NUEVO# A#REFORMAR# BUEN#ESTADO#

PRECIO"

PREDICCIÓN"

262.553# 276.990# 285.837# 272.335#

%"ERROR" 0,17# 1,07# 2,08# 0,86#

37

6" CONCLUSIONES"

Como# conclusión,# se# extrae# que,# respecto# a# la#exploración# espacial# se# observa# la#

existencia#de#autocorrelación#espacial.#Esto#indica#que#el#precio#de#una#vivienda#afecta#

a#las#viviendas#que#están#en#su#entorno,#exportándolo#al#precio#medio#en#los#barrios#

de#Barcelona#se#observa#este#efecto#en#un#nivel#mas#alto.#

Respecto#a#la#modelización#y#los#micro#datos#se#extrae#que#algunas#variables#como#el#

número#de#habitaciones#o#el# tamaño#de#una#vivienda# influyen#negativamente#en# la#

valoración,# este# dato# que# al# principio# puede# resultar# algo# paradógico# se# resuelve#

entendiendo# que# es# importante# el# buen# aprovechamiento# de# los# espacios# y# que#

comparando#dos#viviendas#de#las#mismas#características#en#el#mismo#lugar#el#valor#

mas#alto#del#metro#cuadrado#lo#obtendrá#la#vivienda#de#un#menor#tamaño.#

Respecto#a# la#predicción# y# las# simulaciones# se#obtiene#un#error# no# reducido# en# la#

evaluación# que# hace# pensar# en# predicciones# no# fiables,# pero# analizando# las#

simulaciones#el#resultado#es#altamente#satisfactorio#mas#allá#de#una#posible#mejora#

del#modelo#incluyendo#mas#desagregación#en#la#variable#que#explica#el#estado#de#la#

vivienda#y#desagregando#también#el#espacio#utilizado#para#el#cálculo#de#la#variable#que#

incluye#la#media#del#precio#en#cada#barrio.#

#

38

7" BIBLIOGRAFÍA"

1.# Valoración#de#viviendas#en#España.#El#método#de#Homogeneización#y#metodologías#

alternativas.#Jerónimo#Aznar.#Finance,#Markets#and#Valuation#Vol#2,#nº1#(2.016),#pp#91#

a#125#

2.# Evaluación#de#la#autocorrelación#espacial#global#y#local#para#zonas#de#tránsito.#Julio#

Cesar#Lavado#Yarasca.#Universidad#del#Pacifico#–#Discente.#Rede#Iberohamericana#de#

Estudo#em#Polos#Geradores#de#Viagens#h#Red#PGV#/#Brasil.#2.015#

3.# Território,#mercado#imobiliario#e#a#habitaçao.#Universidad#de#Aveiro.#2.011#

4.# http://www.bcn.cat/estadistica/castella/index.htm#

5.# https://w20.bcn.cat/cartobcn/#

6.# https://www.idealista.com#

#

#

39

8" ANEXOS"

8.1" Anexo"1"

merged_json.py#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

8.2" Anexo"2"

App.py

##Importamos#las#librerías#necesarias#

import#json#

import#glob#

#

result#=#[]#

#

##Unimos#todas#las#peticiones#que#se#encuentran#en#la#carpeta#request#

for#f#in#glob.glob("resquests/*.json"):#

####with#open(f,#"rb")#as#infile:#

########data=json.load(infile)####Memoria#resultante#

#########

##########Extraemos#todo#el#contenido#que#están#dentro#de#cada#elemento#o#petición#

##########y#lo#unimos#

########i#=#0#

########while#i#<#len(data["elementList"]):#

############result.append(data["elementList"][i])#

############i#+=#1#

#

##El#resultado#lo#volcamos#todo,#en#un#solo#archivo#

with#open("merged_file.json",#"wb")#as#outfile:#

#####json.dump(result,#outfile)#

##Importamos#la#librerías#necesarias#

import#pandas#as#pd#

import#json#

#

##Indicamos#los#ficheros#de#entrada#y#salida#

name_file="merged_file.json"#

excel_file="outputs/output_file.xlsx"#

#

##Preparamos#el#fichero#de#entrada#para#ser#tratado#

df_json_raw#=#pd.read_json(name_file)#